Gemini Omni 1.2 Flash عرضه شد: ویدیوی ۱۵ ثانیهای با قیمت کمتر
خلاصهٔ کاملتر
گوگل دیپمایند Gemini Omni 1.2 Flash رو عرضه کرده و برای اولین بار این مدل ویدیوسازی رو بهصورت general availability (یعنی نسخهٔ پایدار و رسمی، نه آزمایشی) روی Gemini API و Gemini for business گذاشته. مهمترین تغییرات: ساخت ویدیوی ۱۵ ثانیهای، ویرایش چندمرحلهای در قالب گفتگو و پایبندی بهتر به تصاویر مرجع. قیمت هم ۳۰ درصد نسبت به Omni 1.1 پایین اومده و حالا هر ثانیه ویدیوی 720p، ۰.۰۷ دلاره.
طول کلیپ از ۱۰ ثانیه به ۱۵ ثانیه رسیده و میشه مدت رو با گام یکثانیهای از ۳ تا ۱۵ ثانیه تعیین کرد. گوگل میگه روند کار هم برای کم کردن هزینه طراحی شده: اول با 360p یا 720p پیشنویس میسازی، یه جزئیات رو با یه ویرایش بعدی درست میکنی بهجای اینکه کل کلیپ رو از اول بسازی، و آخر بهترین خروجی رو تا 1080p یا 4K بزرگ میکنی.
میشه تولید ویدیو رو با ترکیب تصویر شخصیت، محصول یا سبک، کلیپهای حرکتی کوتاه تا سه ثانیه و نشانههای صوتی هدایت کرد. به گفتهٔ گوگل چهره، لباس، تایپوگرافی بستهبندی و رنگهای برند تو زاویههای مختلف دوربین ثابت میمونن و visual drift (یعنی تغییر تدریجی و ناخواستهٔ شکل اشیا بین فریمها) کمتر شده. این برای ساخت کلیپ پرو مجازی لباس یا تبلیغ محصول از روی عکسهای موجود به درد میخوره.
ویرایش با گفتگو یعنی میتونی همون کلیپ رو پیام به پیام عوض کنی؛ مثلاً پسزمینه، نور، آبوهوا یا نسبت تصویر رو تغییر بدی، بدون اینکه از صفر شروع کنی. دیالوگها طبیعیتر شدن، lip-sync (هماهنگی حرکت لب با صدا) دقیقتره و صدای هر گوینده درست به شخصیت خودش وصل میشه. حرکتهای پیوستهٔ دوربین مثل پرواز FPV یا zoom-out هم با پرش تصویر کمتری ساخته میشن.
گوگل خودش قبول داره که هنوز روی صحنههای ورزشی سریع، تغییرات سریع فیلمنامه و فیزیک پیچیده کار داره. خروجیها واترمارک نامرئی SynthID دارن و Provisioned Throughput (یعنی ظرفیت پردازشی رزروشده برای سازمانها) هم فعاله. مدل تو Google AI Studio، کنسول Google Cloud، Flow، Google Vids، اپ Gemini برای مشترکهای Google AI Ultra و Google Ads در دسترسه.
نکات کلیدی:
- طول کلیپ از ۱۰ ثانیه در Omni 1.1 به ۱۵ ثانیه رسیده و از ۳ تا ۱۵ ثانیه قابل تنظیمه.
- قیمت ۳۰ درصد کمتر شده: ۰.۰۷ دلار برای هر ثانیه ویدیوی 720p.
- پیشنویس با 360p یا 720p ساخته میشه و بعد تا 1080p یا 4K بزرگ میشه.
- کلیپهای مرجع حرکتی تا سه ثانیه پشتیبانی میشن.
- خروجیها واترمارک نامرئی SynthID دارن.
- صحنههای ورزشی سریع و فیزیک پیچیده هنوز نقطهضعف مدل هستن.




